一种新的队列管理机制在无线Mesh网络中的应用

在无线Mesh网络中,对于传输距离不同的数据流存在严重的不公平性问题,同时物理位置不同的AP之间也存在着同样问题。为保证网络公平性,提出改进MAC层机制和引入缓存管理的联合解决方案。在分析了无线Mesh网络空间不公平性的基础上,通过改进MAC层中竞争窗口,引入缓存管理算法,得到一种新的队列管理方案IQMA（Improving Queue Management Algorithm）。仿真结果表明,新的方案改善了节点间的不公平性问题和长跳流歧视问题,提高了网络资源利用率。     

低占空比、低碰撞的异步无线传感器网络MAC协议

提高信道监听质量是降低能量消耗和提高通信效率的有效方法。提出了一种低占空比、低碰撞的PB-MAC(predict-base MAC)协议。通过发送节点精确预测接收节点的唤醒时间,降低占空比;采用基于预测的重建连接机制和数据重传机制,有效地避免碰撞和实现高效重传。OMNet++仿真实验结果表明：在50节点随机网络中,PB-MAC的平均占空比、发送消息耗能和平均碰撞次数分别比RI-MAC少68.60%、24.75%、68.05%,比X-MAC少64.39%、64.05%、70.54%。同时,在网格网络中PB-MAC的性能也优于RI-MAC和X-MAC。     

一种适用于WCDMA多业务环境的接纳算法

在分析传统呼叫接纳算法优缺点的基础上,提出了适用于多业务环境的综合型呼叫接纳控制算法(S-CAC),并通过WCDMA系统级仿真平台,验证了该算法的有效性.     

共道干扰下多入多出系统功率分配最优化问题

多输入多输出(MIMO)技术可以极大地提高系统容量和频带利用率,是下一代移动通信网和宽带无线网络的核心技术。在实际情况中,尤其是在多用户情况下,MIMO链路间存在的共道干扰将会对其容量性能产生严重影响,此时需要对MIMO系统功率分配方案进行优化设计。给出了共道干扰MIMO系统的信号模型,从最大化互信息角度分析共道MIMO系统容量,提出在干扰噪声比-信噪比(R_IN-R_SN)空间将系统优化问题归为4种情况,并给出可行的功率分配优化方案,同时分析了方案的适用性,指出亟待解决的主要问题和进一步的研究方向。     

面向云网融合的数据中心能效评估方法

云网融合的加速发展,既推动着数据中心规模快速增长,也带来了巨大的能源消耗.如何制定合理的数据中心能效评估标准已成为指导数据中心能效提升亟需解决的关键问题.针对单一指标很难全面衡量数据中心的能源效率,且不同的数据中心能效指标各有侧重,甚至互相矛盾的问题,提出了将多指标进行融合来综合评估数据中心的能效,采用了主客观结合的赋权方法,为不同的能效指标设置权重,设计了基于云模型的多指标融合评估策略,得到了更加科学、全面的数据中心能效评估结果.最后,利用灰色关联法分析了评估结果与各能效指标之间的关系,分析结果对数据中心能效的提升具有重要的指导意义.     

WCDMA系统中无线接入网建模的研究

本文主要讨论了第三代移动通信WCDMA系统无线接入网（RAN）建模中的几个关键模型的建立，包括典型业务模型和多小区模型，同时在分析WCDMA系统无线接入网结构的基础上，建立了WCDMA系统多业务、多小区的仿真平台，并对这种多业务、多小区情况下的系统容量进行了探讨。     

混合无线Mesh 网络中改进的分层AODV路由协议

路由是无线Mesh 网络发展中的一个研究热点。无线Mesh 网络从移动Ad hoc 网络中借鉴了许多路由选择算法作为路由的解决方案,但是这些方法都不太理想或者没有达到性能的最优化,且没有利用到无线Mesh 网络自身的特点。提出了一个改进的分层AODV路由协议（IH-ADOV）,它表现出了更好的可扩展性和网络性能,当一条路由丢失时,它使寻找替代路由的路由开销得到降低。在IH-AODV中,还提出了一种新技术,即最新链路发现机制。利用NS-2 软件对AODV和IH-AODV进行了仿真比较。基于混合无线Mesh 网络的仿真结果表明,IH-AODV在大的网络中也表现出了很好的扩展性,相对于AODV,在其他性能 方面也表现良好甚至更优。     

面向用户的异构网接入选择算法

无线通信网络的发展趋势之一是将各种不同无线接入技术进行融合。多接入选择作为无线资源管理中的关键技术是目前异构网融合的研究热点之一。从用户的利益出发,充分考虑预接入网络的费用、QoS和稳定性;假定不同的网络运营商之间是彼此竞争的,即没有达成统一的协议,提出了一种结合目标代价函数与层次分析法的动态多接入选择算法。通过对影响因素进行分析和二次判断,建立了网络选择决策模型,仿真结果验证了该算法的正确性与有效性。     

压缩感知中迂回式匹配追踪算法

迂回式匹配追踪(detouring matching pursuit, DMP)是一种计算复杂度低、准确率高、对传感矩阵列相关性要求低的贪婪重构稀疏信号算法.DMP中子内积逆和系数矩阵递增递减核心式被提出并证明,DMP利用子内积逆和系数矩阵减少残差误差变化量的计算量,达到降低计算复杂度的目的.另外,DMP采用先逐个最优缩减、后逐个最优扩增假定支撑集元素的方法提高重构准确率和扩大重构稀疏信号的稀疏度范围.DMP算法复杂度分析表明,DMP算法中获取、缩减和扩增假定支撑集的复杂度分别为O(K2N),O(b(K－b)N)和O(b(K－b)N).加权间接重构0-1稀疏信号实验结果表明,对于稀疏度为M/2的0-1稀疏信号,DMP、逐步贪婪追踪(greedy pursuit algorithm, GPA)、子空间追踪(subspace pursuit, SP)、压缩采样追踪(compressive sampling matching pursuit, CoSaMP)、正交匹配追踪(orthogonal matching pursuit, OMP)的重构准确率分别为99%,65%,0%,0%和13%.非零值服从正态分布的稀疏信号实验结果也表明DMP的重构准确率优势显著.